一种办公建筑内空调负荷预测方法及存储介质与流程

本发明涉及建筑能源智能化，尤其涉及一种基于改进的transformer办公建筑内空调负荷预测方法及存储介质。

背景技术：

1、目前很多建筑的实际情况，物业管理人员缺少对于空调的感知，对于外界环境的变化，管理人员无法做到提前的预测，无法提前做出对空调相关的调整，从而会导致空调资源浪费。

2、空调的智能调控技术是建筑节能，降低建筑空调的使用费用重要组合部分，其中对于空调负荷预测，又是智能调控的关键前置策略，只有准确的预测出建筑未来的空调负荷情况才能有效的实施空调的控制。准确预测建筑负荷是实现建筑节能设计与运行的基础，也是设备寻优运行和前馈控制的依据。精准的负荷预测不仅可以帮助建筑管理者制定能源使用计划和定额计划，同时可协助运维人员掌握建筑的各项能源的使用情况，及时发现用能异常和用能浪费行为。

3、专利号为zl 202110053199.4的一件中国专利公开了一种集中空调住宅深度迁移学习能耗预测方法及系统，包括数据搜集模块、数据预处理模块、模型构建模块和预测结果输出模块，但该专利预测的对象是基于住宅建筑，是否开启空调多数取决于用户的自主愿望，而商业办公建筑的空调多为物业统一开启管理，不能将该专利所提供的预测方法直接应用到商业办公建筑的空调负载预测中来，另外在该专利中，样本数据比较偏少，意味着选取的特征数量少，其预测结果的可靠性较低。

4、因此，亟需一种办公建筑内空调负荷预测方法及存储介质，能够准确、可靠分析出在商业建筑运行阶段的空调负荷预测结果。

技术实现思路

1、本发明的目的是提供一种办公建筑内空调负荷预测方法及存储介质，旨在解决商业办公建筑内空调资料存在浪费，且传统的预测方法预测可靠性低技术问题。

2、为实现上述目的，第一方面，本发明提供一种办公建筑内空调负荷预测方法，其步骤包括：

3、s1、收集空调运行样本数据：

4、所述样本数据包括多组空调运行参数信息、当前办公建筑所处区域的未来预设时间段内的天气信息，以及未来预设时间段内和历史遗漏的节假日信息；并按照日期信息将空调运行参数信息，天气信息以及节假日信息关联起来，构成所述空调运行样本数据；

5、s2、对所述空调运行样本数据进行预处理，得到空调运行预处理样本数据集，并将其划分为测试集和训练集；

6、s3、基于获得的所述训练集，构建基于transformer神经网络的空调负荷预测模型，并对所述空调负荷预测模型进行超参数优化，获得空调负荷优化预测模型，还对所述空调负荷优化预测模型进行模型评价；

7、s4、将实时获取的空调运行参数、天气信息，输入到训练好的所述空调负荷优化预测模型，获得空调负荷的预测结果。

8、作为上述方案进一步的改进，在步骤s3中，在构建基于transformer神经网络的空调负荷预测模型时，

9、基于dnn深度神经网络和transformer神经网络模型搭建所述空调负荷预测模型，获得基于dnn-transformer神经网络的空调负荷预测模型；

10、所述基于dnn-transformer神经网络的空调负荷预测模型包括dnn层、transformer层和全连接层。

11、作为上述方案进一步的改进，所述dnn层包括第一dnn模块和第二dnn模块；

12、所述第一dnn模块用于接收处理天气信息和空调运行参数信息；

13、所述第二dnn模块用于接收时序序列经过transformer后的n维向量，还用于接收所述第一dnn模块输出的m维向量；

14、优选的，所述n维向量和所述m维向量通过concat函数拼接张量，形成(n+m)维向量数据。

15、作为上述方案进一步的改进，所述transformer层包括位置编码层、encoder层和decoder层；

16、所述encoder层包括多头注意力模块，层归一化模块，前馈网络模块，残差链接与归一化模块；

17、所述decoder层包括掩码多头注意力模块，前馈网络模块，残差链接与归一化模块。

18、作为上述方案进一步的改进，在步骤s3中，通过包括但不限于遗传优化算法、粒子群优化算法对所述空调负荷预测模型进行超参数优化；优选的，采用遗传优化算法对所述空调负荷预测模型进行超参数优化。

19、作为上述方案进一步的改进，在步骤s1中，多组所述空调运行参数信息通过部署的传感器采集获得，且所述空调运行参数信息通过物联网数据传输协议进行数据传输。

20、作为上述方案进一步的改进，所述空调运行参数信息包括但不限于供回水的温度差、冷冻水进水温度、冷冻水出水温度、冷冻水进水压力、冷冻水出水压力、冷冻泵进水压力、冷冻泵出水压力和却塔出水温度。

21、作为上述方案进一步的改进，在步骤s1中，所述天气信息为当天的气候相关特征；优选的，所述气候相关特征包括但不限于温度、湿度、风向和风速。

22、作为上述方案进一步的改进，在步骤s1中，在获取未来预设时间段内和历史遗漏的节假日信息时，通过网络爬虫和/或人工整理对节假日相关日期信息进行收集。

23、作为上述方案进一步的改进，在步骤s2中，对所述空调运行样本数据进行预处理时，包括对所述空调运行样本数据进行异常值处理、归一化处理、文本处理、标签化处理；

24、所述归一化处理采用min-max归一化处理，min-max标准化的计算公式如下所示：

25、

26、公式中，max(x)是数据的最大值，min(x)是数据的最小值。

27、作为上述方案进一步的改进，在步骤s2中，对所述空调运行样本数据进行预处理时，对于节假期信息的处理，首先构建节假日数据库，针对所采集数据的具体对应日期时间，来确定当前是否是节假日。

28、作为上述方案进一步的改进，在步骤s2中，对所述空调运行样本数据进行预处理时，对历史数据处理时，统一做去重、异常值替换、数据类型转换，以使所述历史数据更符合算法的实际输入数据样式，更容易拟合。

29、作为上述方案进一步的改进，transformer神经网络模型的内部结构过程具体表达式为：

30、

31、z＝x+f(x)

32、

33、

34、ffn(x)＝max(0,xw1+b1)w2+b2

35、式中，pos代表变量的位置，i代表第i个维度，dmodel代表词嵌入维度；x为输入张量值，f(x)为经过函数转化后的值，z表示残差层；q、k、v分别为输入的权重矩阵，是为了防止数值太大进行的缩放处理；y是对输入x做层次归一化处理后的值，γ和β参数均为可学习参数，mean表示平均值，var表示方差；ffn(x)为特征捕捉函数，w1、w2、b1、b2是可学习的权重矩阵和偏置向量。

36、第二方面，本发明还提供一种设备，包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器，其中，当该计算机程序指令被所述处理器执行时，触发所述设备执行第一方面提供的一种办公建筑内空调负荷预测方法。

37、第三方面，本发明还提供一种存储介质，其上存储有计算机程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面提供的一种办公建筑内空调负荷预测方法。

38、由于本发明采用了以上技术方案，使本技术具备的有益效果在于：

39、本发明提供一种办公建筑内空调负荷预测方法，首先通过采集多组空调运行参数信息、当前办公建筑所处区域的未来预设时间段内的天气信息，以及未来预设时间段内和历史遗漏的节假日信息，并按照日期信息将空调运行参数信息，天气信息以及节假日信息关联起来，构成所述空调运行样本数据；如此的设置，在所述空调运行样本数据中不仅仅考虑了空调运行参数信息，还考虑了所处区域的天气信息以及未来预设时间段和历史遗漏的节假期信息，同时将这些数据信息按照日期进行排序并进行关联；通过时序数据挖取，使得时序数据能够变成一个序列，便于完整的输入到transformer网络结构中，从而更好地利用了时序数据的特点；另外在构建基于transformer神经网络的空调负荷预测模型时，基于dnn深度神经网络和transformer神经网络模型搭建所述空调负荷预测模型，获得基于dnn-transformer神经网络的空调负荷预测模型；所述基于dnn-transformer神经网络的空调负荷预测模型包括dnn层、transformer层和全连接层；本发明采用dnn-transformer组合而成的混合结构模型对空调负荷进行预测，具体的dnn层主要处理离散的特征以及天气相关的特征，这样可以最大化的挖掘出这些特征的权重和信息；使得本发明构建的空调负荷预测模型相对于只考虑了单一的负荷序列，预测的精确度和可靠度更高；

40、在某些优选的实施例中采用物联网设备采集空调运行参数信息和天气信息；从而保证样本数据的准确性和实时性，另外在对于历史数据的收集时，还通过人工收集大量的相特征，从而能够挖掘出更改多的有用信息，使得本发明提供的预测方法的预测效果更好。